Machine learning methods for power line outage identification
Machine learning methods for power line outage identification
复制标题
电力线路断电识别的机器学习方法
DOI：
10.1016/j.tej.2020.106885
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Cheng, Maggie X.
中科院分区：
文献类型：
--
作者：
He, Jia;Cheng, Maggie X.
随着相量测量单元(PMU)的广泛部署，电力系统可以利用PMU提供的大量数据，并利用大数据分析的进步来改进实时监测和诊断。在本文中，我们开发了与潮流分析和状态估计不紧密耦合的实用分析，因为这些任务需要关于电力系统的详细和准确的信息。我们专注于电力线路停电识别，并使用机器学习框架来定位线路停电。对于单线路和多线路故障的预测也使用相同的框架。我们研究了一系列机器学习算法和特征提取方法。该算法是为了捕捉电力系统在拓扑突变时的基本动态特性。所提出的方法仅使用通过连续监测母线获得的电压相角。我们测试了所提出的方法在不同水平的噪声和遗漏情况下的预测性能。结果表明，与以往需要求解潮流方程或状态估计方程的方法相比，该方法对含噪声数据和不完整数据具有更好的容错性。
As Phasor Measurement Units (PMUs) become widely deployed, power systems can take advantage of the large amount of data provided by PMUs and leverage the advances in big data analytics to improve real-time monitoring and diagnosis. In this paper, we develop practical analytics that are not tightly coupled with the power flow analysis and state estimation, as these tasks require detailed and accurate information about the power system. We focus on power line outage identification, and use a machine learning framework to locate line outages. The same framework is used for the prediction of both single line and multiple line outages. We investigate a range of machine learning algorithms and feature extraction methods. The algorithms are designed to capture the essential dynamic characteristics of the power system when the topology change occurs abruptly. The proposed methods use only voltage phasor angles obtained by continuously monitoring the buses. We tested the proposed methods on their prediction performance under different levels of noise and missingness. It is shown that the proposed methods have better tolerance for noisy data and incomplete data when compared to the previous work that involves solving power flow equations or state estimation equations.
登录
查看更多内容
电力系统线路断电检测和识别——最快的变化检测方法
DOI：
--
发表时间：
2014
期刊：
IEEE International Conference on Acoustics, Speech, and Signal Processing
影响因子：
--
作者：
T. Banerjee;Y. Chen;A. Domínguez;V. Veeravalli
通讯作者：
V. Veeravalli
使用神经网络从 PMU 数据检测线路中断
DOI：
--
发表时间：
2017
期刊：
arXiv.org
影响因子：
--
作者：
Ching;Stephen J. Wright
通讯作者：
Stephen J. Wright
使用变点检测方法的无线自组织网络中的带内虫洞检测
DOI：
--
发表时间：
2016
期刊：
2016 IEEE International Conference on Communications (ICC)
影响因子：
--
作者：
M. Cheng;Yizong Ling;W. Wu
通讯作者：
W. Wu
影响因子：
10.6
作者：
W. Wu;M. Cheng;B. Gou
通讯作者：
B. Gou
用于智能电网拓扑识别的高效神经网络架构
DOI：
--
发表时间：
2016
期刊：
IEEE Global Conference on Signal and Information Processing
影响因子：
--
作者：
Yue Zhao;Jianshu Chen;H. Poor
通讯作者：
H. Poor